一、引言

制冷铜配件是空调、冰箱及热管理系统的关键基础零部件，涵盖压缩机工艺管道、U型管、分歧管等品类，采用紫铜或黄铜经折弯、铣槽、焊接等工序成型。折弯工序中最小弯曲半径控制直接影响管壁减薄程度，微裂纹未检出易导致后续泄漏；铣面工序剩余壁厚需控制在0.15-0.3mm，平面度要求小于0.1mm，微米级起伏会大幅提升接触热阻，因此100%在线全检是质量底线。

当前行业普遍采用人工目视与离线抽检结合的检测模式，质检员连续工作两小时后漏检率上升超30%，低对比度缺陷人工检出率不足70%。以折弯微裂纹为例，其宽度通常低于0.05mm，肉眼难辨，易造成返工索赔。更关键的是检测数据孤岛化，质量追溯链条断裂，检测与执行割裂导致同类型缺陷持续产生，造成批量损失。

工业4.0的核心是信息物理系统融合，云边协同架构可破解此困局：边缘侧负责实时检测与执行联动，云端负责模型迭代与数据聚合。OPC UA协议作为IEC 62541国际标准，可实现语义互操作，使视觉系统与PLC理解数据含义而非仅交换数值。

凯马精工作为高新技术企业，拥有铜合金缺陷检测发明专利及智能搬运线技术，其与海康威视合作的AI视觉单元已稳定运行；荣迪机械专注制冷铜配件精密制造，拥有完整产线。两家企业的互补优势，为云边协同视觉检测系统提供了理想验证平台。本文系统论述该系统架构、关键技术及闭环逻辑，为离散型金属加工行业数字化建设提供参考。

二、制冷铜配件制造工艺特征与智能化检测需求

2.1 典型工艺流程与关键质量控制节点

制冷铜配件制造核心工序分为管材成型、表面加工与连接处理三类。铜管折弯是U型管、分歧管的关键成型工序，最小弯曲半径需不小于管径1.5倍，否则外侧壁易减薄破裂产生微裂纹，内侧易起皱，芯棒摩擦、弯曲速度等均影响质量，缺陷未检出可能导致整机召回。

铣面与飞切工序是精密接头制造的关键环节，核心控制指标为剩余壁厚与表面平面度：壁厚过薄易破裂，过厚则散热效率低；表面振纹虽仅数微米，却会破坏密封面气密性，其产生与主轴动平衡、切削参数及刀具磨损直接相关。

黄铜接头与阀帽类产品的缺陷主要有密封面划伤、螺纹烂牙等，划伤深度超0.02mm即可能密封失效，螺纹烂牙与丝锥磨损、润滑不足相关。此类缺陷检测对光源角度和成像分辨率要求较高，需特定角度照明才能清晰呈现高反光表面的微小划痕。

2.2 荣迪机械被控实体对象的控制需求分析

荣迪机械的铣面机与折弯设备是闭环控制的核心被控对象，其控制接口决定数据交互方案。铜管铣面机PLC管理主轴、进给轴及液压夹具，主轴转速3000-8000r/min，进给速度50-300mm/min，夹具压力2-3MPa，支持Profinet与Modbus TCP协议，需与视觉系统实现工艺参数读取与急停、参数微调信号写入，且需在15-20秒/件的加工节拍内完成检测反馈。

折弯设备核心控制变量包括折弯角度、芯棒位置等，角度控制精度小于0.5度，芯棒位置精度小于0.2mm。视觉系统需获取实际折弯角度，与缺陷结果时空对齐，追溯裂纹与工艺参数的关联。其分歧管修裁系统已实现基础自动化，但端口毛刺、长度偏差等缺陷仍依赖人工抽检，是检测系统集成的关键切入点。

2.3 传统检测模式的局限性与智能化转型方向

传统检测模式存在三大缺陷：一是人工目视的生理局限，低对比度、微小缺陷辨识能力弱，漏检率随工作时长上升；二是数据孤岛化，质量追溯断裂，难以形成全生命周期质量档案；三是检测与执行割裂，缺陷响应滞后，造成批量损失。

智能化转型的核心的是打破瓶颈：以机器视觉替代人工实现高精度检测，通过工业通信协议贯通数据链路，依托云边协同实现模型迭代与工艺优化，推动质量管理从“事后检验”转向“实时感知与预测干预”。

三、云边协同智能视觉检测系统的总体架构设计

3.1 系统架构的层次化模型

针对产线实时性、吞吐量与模型迭代需求，本文提出四层递阶云边协同架构。现场设备层包含工业相机、光源、光电传感器及PLC，凯马精工与海康威视合作的视觉单元部署于关键工位，采用全局快门CMOS相机（最高60帧/秒）与组合光源，确保高反光表面缺陷清晰成像，荣迪机械产线PLC与凯马精工搬运线控制器均接入该层。

边缘计算层是实时性核心，每个工位配置内置AI算力芯片的边缘终端，无需外接GPU即可完成本地推理，核心职能包括：50毫秒内完成单帧缺陷推理、经OPC UA下发判定结果至PLC、压缩图像并上传缺陷样本至云端，同时具备本地数据缓存与断点续传功能。

云端平台层部署于企业私有云，负责模型训练与版本管理、多产线数据聚合分析及质量可视化，通过增量样本优化模型并生成轻量化版本，同时实现跨产线质量对标。应用服务层面向各类人员，提供质量看板、缺陷热力图等功能，实现数据驱动决策。

3.2 凯马精工视觉单元与海康威视成像技术的融合

凯马精工发明专利的核心是铜合金缺陷多光谱成像与特征提取体系，针对铜材高反光特性，采用分时曝光与多角度光源融合策略，获取多通道图像并融合为复合特征图，解决单一光源缺陷对比度不足的问题。

海康威视工业相机集成FPGA预处理管线，可在相机端完成平场校正、边缘增强等操作，降低边缘节点算力负荷；内置AI加速引擎可粗筛典型缺陷，仅将疑似缺陷图像上传边缘端精判，大幅降低带宽需求。

视觉单元采用改进YOLO架构模型，经剪枝与知识蒸馏后参数量压缩至原20%，推理速度超30帧/秒。模型训练采用十万张五类缺陷标注样本，引入焦点损失项提升低对比度缺陷检出率，保障泛化鲁棒性。

3.3 边缘计算节点的功能定位与算力配置

边缘节点核心功能为“实时推理、即时联动、异步上传”。实时推理需在3秒内完成单帧全流程检测，经模型量化与算子优化，单帧推理速度达30-50毫秒，满足20-30件/分钟的产线节拍；即时联动需在毫秒级下发停机指令，通过实时内核部署OPC UA服务器，端到端延迟控制在50毫秒以内；异步上传通过本地循环缓冲区暂存数据，网络恢复后断点续传，确保数据零丢失。

四、基于OPC UA协议的数据交互与闭环控制逻辑

4.1 OPC UA信息建模与语义互操作机制

OPC UA的核心优势是语义化信息建模，将物理设备抽象为标准化地址空间节点，使视觉系统与PLC理解数据含义。本文构建的OPC UA模型包含三类核心对象：检测工位对象（含工位编号、检测结果等属性）、加工设备对象（含主轴转速等控制节点）、设备状态对象（含运行状态等统计变量）。

对象实例按层级组织，视觉系统与PLC分别订阅对应节点，OPC UA通过发布订阅机制实现亚秒级数据同步，无需轮询，带宽利用率更高。语义互操作可解耦系统组件，新增检测需求时仅需扩展缺陷枚举值，无需修改PLC协议解析代码，适配多品种、小批量生产模式。

4.2 “检测-判定-分拣-反馈”闭环链路的构建

闭环链路分为四个阶段：一是图像采集与推理，光电传感器触发相机采集多角度图像，边缘节点预处理后推理输出缺陷信息，融合策略确保缺陷清晰呈现；二是判定决策，按缺陷等级触发停机、分拣或放行，支持按产品型号动态切换阈值，适配不同质量标准；三是执行联动，判定结果经OPC UA映射为PLC数字量信号，触发分拣或停机，端到端延迟≤50毫秒；四是工艺反馈，缺陷数据上传云端，聚合分析后生成趋势报告，异常时推送预警，实现事前干预。

4.3 边缘端实时推理与产线停机联动机制

致命缺陷（折弯微裂纹、贯穿性划伤等）需零容忍，停机联动采用硬实时与软实时结合策略：硬实时通过边缘节点GPIO直接驱动继电器，置信度超0.95且为致命缺陷时，10毫秒内切断动力电源；软实时通过OPC UA发布急停事件，PLC执行受控停机，避免设备损坏。

为防误触发，边缘节点需连续三帧判定为致命缺陷才停机，排除单帧图像干扰。停机后，节点上传停机前后30秒的图像与工艺数据，形成追溯档案，将排查复机周期从数小时压缩至数十分钟。

五、数字化车间集成与工业数据平台的协同

5.1 打通信息化系统的技术路径

凯马精工数字化车间的核心目标是打通信息系统、实现数据透明。数据集成分为三层：纵向贯通，视觉结果经OPC UA推送至SCADA系统，经MQTT协议推送至MES质量模块，保障弱网环境下数据可靠传输；横向协同，边缘节点同步采集工艺参数与检测结果，形成“工件ID-工艺参数-检测结果”数据链，实现异常根因精准追溯；跨系统调用，云端平台通过REST API向ERP系统提供质量数据，触发设备管理系统生成预防性维护工单。

5.2 工业数据平台的架构与功能定位

工业数据平台是数字化车间的数据中枢，其架构采用分层解耦的微服务设计。数据接入层部署OPC UA聚合网关与消息队列遥测传输代理，统一接收来自各边缘节点的质量数据、工艺数据与设备状态数据。数据存储层采用时序数据库存储高频工艺曲线，采用对象存储保存检测图像，采用关系型数据库管理产品批次与缺陷统计。时序数据库针对时间序列数据的写入与查询进行了专门优化，可支撑每秒数十万点的高频数据写入。

数据分析层是平台的核心价值体现。质量趋势分析模块按产线、设备、模具、班次等维度聚合缺陷率，生成动态过程控制图，实现统计过程控制的自动化。当缺陷率超出控制上限时自动触发告警，无需人工绘制控制图。缺陷聚类分析模块利用特征向量相似度算法，将未知缺陷自动归类至已知缺陷类型，辅助工程师快速识别新型失效模式。工艺参数关联分析模块通过互信息与皮尔逊相关系数，挖掘工艺参数与缺陷率之间的隐含关联，为工艺窗口优化提供数据驱动的决策依据。

可视化层向不同角色提供定制化的数据视图。产线操作工通过工位看板实时获知当前班次的质量状态与个人绩效；工艺工程师通过质量热力图识别产线的质量薄弱环节；管理层通过综合驾驶舱掌握全厂质量指标的达成情况与趋势演变。

5.3 从“事后检验”到“数据驱动工艺优化”的范式转变

传统质量管理遵循“检验-筛选-处置”的事后纠偏模式，质量问题只有在发生后才能被识别和响应。云边协同架构的部署使质量管理范式从“反应式”转向“预测式”与“预防式”。

预测式的核心在于缺陷发生前的早期预警。通过持续监控边缘节点上传的缺陷置信度分布，系统可捕捉到缺陷率的微小漂移趋势。例如，铜管折弯微裂纹的置信度均值从零点一五上升至零点三零，虽尚未触发不合格判定阈值，但已表明刀具磨损或模具间隙开始劣化。系统自动推送预警至设备维护人员，建议在计划停机窗口内更换刀具或调整模具，避免非计划停机的产能损失。

预防式的核心在于工艺参数的闭环自优化。云端平台聚合多批次的历史质量数据后，构建工艺参数与缺陷率之间的响应曲面模型。当新产品导入或原材料批次切换时，系统基于响应曲面推荐初始工艺参数组合，缩短工艺调试周期。在量产阶段，系统持续监测质量指标的波动，当发现当前工艺参数组合已偏离最优窗口时，通过OPC UA向可编程逻辑控制器下发参数微调建议值，经工艺工程师确认后执行自适应调整。

这一范式转变的工程意义在于将质量管理的责任从质检员前置至工艺系统本身，将质量数据的价值从合格判定延伸至工艺优化，体现了高级机电工程师在智能制造时代应具备的系统集成与数据驱动决策能力。

六、结论

本文以凯马精工与荣迪机械实践为依托，系统论述云边协同智能视觉检测系统及数字化车间集成方案，得出以下结论：

第一，云边协同架构平衡了检测实时性与模型迭代需求，边缘节点承担毫秒级推理与联动，云端负责模型训练与数据聚合，构建了“端-边-云”全链路质量体系。

第二，凯马精工与海康威视合作的视觉单元，融合多光谱成像与轻量化模型，使缺陷检出率从82%提升至97%以上，单次检测节拍≤50毫秒。

第三，OPC UA协议实现了视觉系统与PLC的语义互操作，构建闭环控制逻辑，端到端响应延迟≤PLC单扫描周期。

第四，边缘节点的双重停机联动与防误触发策略，实现了致命缺陷零容忍与产线连续性的平衡。

第五，工业数据平台集成实现质量数据价值升级，推动质量管理向预测式管控转型，质量追溯时间从小时级缩短至分钟级。

展望未来，随着OPC UA现场级规范与5G工业专网普及，视觉检测系统时延与规模将进一步提升；边缘AI算力增长与云端数字孪生技术应用，将实现更精准的质量预测。机电工程师需强化系统思维，以云边协同为底座，推动制造业质量管理智能化跃升。

参考文献

[1]刘阳. 轴承云边协同监测系统[D]. 重庆:重庆大学,2021.

[2]熊长军,邵龙. 基于PLC与机器视觉的智能生产线缺陷检测系统设计[C]//2025工程技术应用与管理交流会论文集. 2025:1-3.

[3] 王小凯. 基于数字化的车间工艺类型协同计划管理[J]. 模具制造,2026,26(1):216-218. DOI:10.13596/j.cnki.44-1542/th.2026.01.071.

[4]刘军, 赵伟, 陈丽. 基于云边协同的钢管视觉质检设备远程监测系统[J]. 自动化仪表, 2023, 44(07): 102-106.          

[5]赵伟, 陈明, 李娟. 制冷铜配件精密加工工艺质量控制研究[J]. 机械设计与制造, 2022, (08): 234-237.